TensorFlow LSTM文本分类：输入数据转换与维度变化疑问

嘿，这个问题问得很到位！答案是肯定的——经过词嵌入查找后，原本的2维数据确实会变成3维张量，我来给你拆解清楚：

核心逻辑 #

你的输入text_seq是一个2×11的2维张量，形状对应(样本数, 序列长度)：每个样本是一段长度为11的词索引序列，总共有2个样本。

词嵌入层（比如TensorFlow里的tf.keras.layers.Embedding）的作用，是把每个词索引映射成一个固定维度的密集向量（比如128维、256维，这个维度你可以自己定义）。也就是说，原来序列中每个位置的单个整数（词索引），都会被替换成一个(嵌入维度,)的向量。这样一来，整个张量的维度就从2维扩展成了3维。

代码演示验证 #

用你给出的示例数据，我们可以写一段简单的代码来验证这个变化：

import tensorflow as tf

# 你的输入：2个样本，每个样本序列长度11
text_seq = [[11,21,43,22,11,4,1,3,5,2,8],[4,2,11,4,11,0,0,0,0,0,0]]
# 转换为TensorFlow张量
text_tensor = tf.convert_to_tensor(text_seq, dtype=tf.int32)
print("输入张量形状：", text_tensor.shape)  # 输出 (2, 11)

# 定义词嵌入层：假设词汇表大小是50，嵌入维度设为128
embedding_layer = tf.keras.layers.Embedding(input_dim=50, output_dim=128)
# 执行词嵌入查找
embedded_tensor = embedding_layer(text_tensor)
print("嵌入后张量形状：", embedded_tensor.shape)  # 输出 (2, 11, 128)

为什么LSTM需要3维输入？ #

TensorFlow中的LSTM层期望的输入形状就是(batch_size, sequence_length, input_dim)：

• batch_size：批次中的样本数量（这里是2）
• sequence_length：每个样本的序列长度（这里是11）
• input_dim：每个时间步输入的特征维度（这里就是词嵌入的维度128）

这种3维结构正好让LSTM可以沿着序列长度的维度，逐个处理每个词的嵌入向量，捕捉序列中的上下文信息，完美适配文本分类的需求。

内容的提问来源于stack exchange，提问作者Aaditya Ura